深度學習是應用深層神經網路技術(即具有多個隱藏層的神經網路架構)來解決問題，可以從所學習物件的機制以及行為等等很多相關聯的方面進行學習研究，目前已經在語音識別、計算機視覺、影象與影片分析、多媒體以及自然語言處理等諸多領域都取得了巨大成功。
深度學習在影象處理方面應用非常廣，傳統影象處理方法依賴先驗知識，需要手工調整引數，因此引數不易過多，提取的特徵較為淺顯。而深度學習從大資料中自動學習特徵，在提取影象的全域性特徵和上下文資訊方面具有優勢，可以提取深層次、更加複雜的特徵。因此在人臉識別、目標檢測、影象分割、影象分類識別、人體姿態估計以及行為分析等方面取得了成功。比如可以用在人臉識別、自動駕駛、安防、AR/VR、醫療影象、機器人以及智慧家居等方面，在工業領域應用也很廣。
深度學習應用於語音識別領域可以取得更好的效果，可以克服傳統語音識別中採用時間、頻率而導致的不穩定問題，大大降低了語音識別模型的錯誤率。語音識別最好的應用場景就是在同聲傳譯上。它可以幫助我們打破語言的障礙，完成交流溝通。還有一些智慧機器人透過語音識別技術，可以按照語音指令完成相應的操作，這大大方便了我們的日常使用。
深度學習還被廣泛應用於自然語言處理領域，自然語言處理（natural language processing，NLP）也正在逐步從統計學方法轉向神經網路方法。事實上，一個簡單獨立的深度學習模型就可以學習單詞的意義和執行語言任務，避免了一系列的人工操作。尤其是深度學習技術正大量應用在人機對話、文字分類、問答系統、語言翻譯等方向的應用，這些應用也逐步進入我們日常生活中。
在未來的大資料和物聯網時代，深度學習會應用更加廣泛，深度學習需要海量的資料來工作，而這些資料往往收集自物聯網中無數的感測器，不管是資料的分析還是挖掘還是建模，又或者是雲計算、雲服務，網路技術等等，深度學習都會在其中大展手腳。
深度學習是應用深層神經網路技術(即具有多個隱藏層的神經網路架構)來解決問題，可以從所學習物件的機制以及行為等等很多相關聯的方面進行學習研究，目前已經在語音識別、計算機視覺、影象與影片分析、多媒體以及自然語言處理等諸多領域都取得了巨大成功。
深度學習在影象處理方面應用非常廣，傳統影象處理方法依賴先驗知識，需要手工調整引數，因此引數不易過多，提取的特徵較為淺顯。而深度學習從大資料中自動學習特徵，在提取影象的全域性特徵和上下文資訊方面具有優勢，可以提取深層次、更加複雜的特徵。因此在人臉識別、目標檢測、影象分割、影象分類識別、人體姿態估計以及行為分析等方面取得了成功。比如可以用在人臉識別、自動駕駛、安防、AR/VR、醫療影象、機器人以及智慧家居等方面，在工業領域應用也很廣。
深度學習應用於語音識別領域可以取得更好的效果，可以克服傳統語音識別中採用時間、頻率而導致的不穩定問題，大大降低了語音識別模型的錯誤率。語音識別最好的應用場景就是在同聲傳譯上。它可以幫助我們打破語言的障礙，完成交流溝通。還有一些智慧機器人透過語音識別技術，可以按照語音指令完成相應的操作，這大大方便了我們的日常使用。
深度學習還被廣泛應用於自然語言處理領域，自然語言處理（natural language processing，NLP）也正在逐步從統計學方法轉向神經網路方法。事實上，一個簡單獨立的深度學習模型就可以學習單詞的意義和執行語言任務，避免了一系列的人工操作。尤其是深度學習技術正大量應用在人機對話、文字分類、問答系統、語言翻譯等方向的應用，這些應用也逐步進入我們日常生活中。
在未來的大資料和物聯網時代，深度學習會應用更加廣泛，深度學習需要海量的資料來工作，而這些資料往往收集自物聯網中無數的感測器，不管是資料的分析還是挖掘還是建模，又或者是雲計算、雲服務，網路技術等等，深度學習都會在其中大展手腳。